一种基于主变负载特性的缺陷智能诊断模型构建方法技术

本发明专利技术公开了一种基于主变负载特性的缺陷智能诊断模型构建方法，包括以下步骤：(1)构建缺陷诊断体系：对设备缺陷特征进行汇总形成缺陷诊断体系表；(2)缺陷诊断模型：a)建立设备缺陷诊断数据指标；b)文本预处理：根据电力领域词典，采用分词获得电力领域的分词结果；c)文本分布式表示：文本分布式表示方法基于“词的语义由其邻近词刻画”的原理训练出每个词的词向量表示的语言模型；d)构建卷积神经网络算法；e)模型训练：利用卷积神经网络算法来学习，形成最终的设备缺陷诊断模型。本发明专利技术实现设备缺陷原因及缺陷部位的精准识别和定位，协助电力企业智能化管控电网一次设备。力企业智能化管控电网一次设备。力企业智能化管控电网一次设备。

【技术实现步骤摘要】
一种基于主变负载特性的缺陷智能诊断模型构建方法


[0001]本专利技术涉及主变设备缺陷诊断和风险评估
，具体涉及一种基于主变负载特性 的缺陷智能诊断模型构建方法。

技术介绍

[0002]设备缺陷诊断：近年来，国内外有关电网设备缺陷诊断的研究较多，我国部分学者主 要基于设备的试验数据、运行数据等结构化数据进行设备缺陷智能诊断研究，例如国家电 网与交通大学合作，于2019年开展了一种基于辐射电场特征参数支持向量机的GIS开关缺 陷诊断方法研究，该研究是基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法， 包括:1.实验数据预处理；2.构建信号案例知识库；3.获得SVM缺陷诊断模型；4.支持向量机 缺陷诊断过程。该研究采集了GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的 操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号 特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得 GIS隔离开关的分类结果，实现了对GIS设备运行状况的判断，保障电网安全运行。
[0003]基于支持向量机的GIS设备缺陷诊断研究主要问题在于选择的数据源较为单一，此方 式会导致研究结论效果较好，但无法落地应用。
[0004]目前，国外在基于大数据挖掘技术的缺陷分析研究与实践应用较多，如美、日、英、 德等，都有应用这项技术的报道。日本从80年代开始实行以状态监测为基础的预知检修。 日本发电设备检修协会重点进行了数据挖掘规则模式的研究，并在检修中采用关联分析、 聚类分析和时间序列分析等技术对设备进行缺陷分析和寿命评估。以可靠性为中心的维修 策略是由美国电力研究院某研发中心提出，推出基于大数据挖掘技术的优化检修等一系列 技术方案和相关系统，并在多家电站推广应用，取得了良好效果。德国也积极采用数据挖 掘技术提高检修效率。近几年，德国也对发电厂的检修工作进行了探讨，在发电厂开发设 备监控与诊断技术的基础上，推行基于数据挖掘技术的状态检修，并在设备检测中发挥大 数据挖掘的潜力。
[0005]基于以上问题和研究情况，将融合多业务领域数据对一次设备缺陷进行智能化综合诊 断，并在现有研究基础上进行深度分析，给出一次设备缺陷的严重程度，支撑业务人员实 际工作，提高业务人员的缺陷解决能力。

技术实现思路

[0006]本专利技术要解决的技术问题是：提供一种基于主变负载特性的缺陷智能诊断模型构建方 法，以解决现有技术中存在的技术问题。
[0007]本专利技术采取的技术方案为：一种基于主变负载特性的缺陷智能诊断模型构建方法，该 方法包括以下步骤：
[0008](1)构建缺陷诊断体系：对设备类型、对应设备的缺陷及其部位、对应缺陷的缺陷 部件进行汇总形成缺陷诊断体系表；
[0009](2)缺陷诊断模型：a)根据缺陷数据记录表，建立设备缺陷诊断数据指标；b)文本 预处理：针对设备缺陷诊断数据指标的指标描述内容进行分词处理，根据电力领域词典， 获得电力领域的分词结果；c)文本分布式表示：文本分布式表示方法基于“词的语义由其 邻近词刻画”的原理，即，以大量经过预处理的电力设备缺陷记录为语料库，训练出每个 词的词向量表示的语言模型，词向量的各个维度代表通过模型学习到的词的语义特征；d) 卷积神经网络建立：设备缺陷智能诊断主要采用卷积神经网络算法，将已处理的缺陷指标 数据作为卷积神经网络的输入层，通过卷积神经网络的分类器，对步骤c)中向量化后词 向量的缺陷文本进行分类，输出相应的分类结果；e)模型训练：模型输入变量为缺陷表象、 缺陷描述、缺陷原因、设备类别、缺陷类型、缺陷部位的字段，利用卷积神经网络算法来 学习，形成最终的设备缺陷诊断模型。
[0010]上述设备缺陷诊断数据指标包括指标名称和对应指标名称的指标描述内容，指标名称 包括缺陷类型、缺陷表象、缺陷描述、缺陷部位、缺陷部件、缺陷等级和缺陷原因。
[0011]上述分词方法采用jieba分词模块进行分词。
[0012]上述词的语义由其邻近词刻画方法：将部分缺陷文本的词向量在特征空间中进行表 示，其中在特征空间中的每一个圆点表示一个词向量，通过词向量对词义特征进行刻画。
[0013]上述一种基于主变负载特性的缺陷智能诊断模型构建方法还包括设备缺陷诊断模型 的缺陷诊断结果分析方法包括缺陷严重性、缺陷诊断原因分析，缺陷智能诊断模型将新来 的缺陷数据输入已经训练好的设备缺陷诊断模型中，最后输出缺陷数据的缺陷部位、缺陷 原因以及缺陷管理措施。
[0014]本专利技术的有益效果：与现有技术相比，本专利技术设备缺陷智能诊断是在缺陷标准库的基 础上从设备缺陷部位、缺陷部件、缺陷类型、缺陷原因和消缺措施五个维度实现设备缺陷 特征的多层级定位，并结合大数据分析手段及机器学习算法对设备缺陷原因和部位进行诊 断，构建智能化的设备缺陷诊断模型，实现设备缺陷原因及缺陷部位的精准识别和定位， 协助电力企业智能化管控电网一次设备；设备风险智能评估主要采用的是综合评价算法， 从设备类型、缺陷部位、缺陷类型、缺陷频率、缺陷等级、设备重要性、电压等级、设备 风险因子等多个维度选取指标，形成设备风险评估体系，构建设备风险智能评估模型，并 基于设备风险评估结果进行设备风险等级划分，有针对性的为相关部门业务人员给出基于 设备风险等级推荐的风险处理措施，降低设备风险。
附图说明
[0015]图1是变压器缺陷数量变化趋势图(2021年缺陷不做分析)；
[0016]图2是主变缺陷分布图；
[0017]图3是主变缺陷厂家分布图；
[0018]图4是缺陷标准库构建流程示意图；
[0019]图5是人工标准示例图；
[0020]图6是油浸式变压器结构示意图；
[0021]图7是特征空间中的词向量示意图；
[0022]图8是卷积神经网络结构图；
[0023]图9是训练集与测试集损失下降曲线；
[0024]图10是风险智能评估流程图。
具体实施方式
[0025]下面结合具体的实施例对本专利技术进行进一步介绍。
[0026]实施例1：一种基于主变负载特性的缺陷智能诊断模型构建方法，该方法包括以下步骤：
[0027]设备缺陷智能诊断需要通过分类算法实现设备缺陷的智能诊断与分类，目前分类算法 有决策树分类、贝叶斯分类、人工神经网络、k
‑
近邻、支持向量机等算法，但由于设备缺 陷数据中存在非结构化数据，所以选择适用于文本分析的卷积神经网络算法进行后续的设 备缺陷智能诊断。
[0028]卷积神经网络模型是在网络中使用卷积代替一般矩阵乘法的神经网络。卷积神经网络 具有局部感知、权值共享的特点，从而大大减少了训练参数的数目，提高了复杂网络的计 算效率。卷积神经网络可作为分类器，对向量化后的缺陷说明文本进行分类，并输出相应 的分类结果。
[0029]设备缺陷智能诊断以油浸式变压器为例作为研究对象：如图6所示，从油浸式变压器 设备结构来看，不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主变负载特性的缺陷智能诊断模型构建方法，其特征在于：该方法包括以下步骤：(1)构建缺陷诊断体系：对设备类型、对应设备的缺陷及其部位、对应缺陷的缺陷部件进行汇总形成缺陷诊断体系表；(2)缺陷诊断模型：a)根据缺陷数据记录表，建立设备缺陷诊断数据指标；b)文本预处理：针对设备缺陷诊断数据指标的指标描述内容进行分词处理，根据电力领域词典，获得电力领域的分词结果；c)文本分布式表示：文本分布式表示方法基于“词的语义由其邻近词刻画”的原理，即，以大量经过预处理的电力设备缺陷记录为语料库，训练出每个词的词向量表示的语言模型，词向量的各个维度代表通过模型学习到的词的语义特征；d)卷积神经网络建立：设备缺陷智能诊断主要采用卷积神经网络算法，将已处理的缺陷指标数据作为卷积神经网络的输入层，通过卷积神经网络的分类器，对步骤c)中向量化后词向量的缺陷文本进行分类，输出相应的分类结果；e)模型训练：模型输入变量为缺陷表象、缺陷描述、缺陷原因、设备类别、缺陷类型、缺陷部位的字段，利用卷积神经网络算法来学习，形成最终的设备缺陷诊断模型。2.根据权利要求1所述的一种基于主变负载特性的缺陷智能诊断模型构建方法，其特征在于：设备缺陷诊断数据指标包括指标名称和对应指标名称的指标描述内容，指标名称包括缺陷类型、缺陷表象、缺陷描述、缺陷部位、缺陷部件、缺陷等级和缺陷原因。3.根据权利要求1所述的一种基于主变负载特性的缺陷智能诊断模型构建方法，其特征在于：分词方法采用jieba分词模块进行分词。4.根据权利要求1所述的一种基于主变负载特性的缺陷智能诊断模型构建方法，其特征在于：词的语义由其邻近词刻画方法：将部分缺陷文本的词向量在特征空间中进行表示，其中在特征空间中的每一个圆点表示一个词向量，通过词向量对词义特征进行刻画。5.根据权利要求1所述的一种基于主变负载特性的缺陷智能诊断模型构建方法，其特征在于：还包括设备缺陷诊断模型的缺陷诊断结果分析方法包括缺陷严重性、缺陷诊断...

【专利技术属性】
技术研发人员：黄军凯，张迅，文屹，吕黔苏，王冕，范强，赵超，吴建蓉，丁江桥，刘君，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：